Reflection 开源 501B 模型 Beam，支持 1M 上下文与智能体编码

Beam by Reflection 已在 Hugging Face 上线！它是美国新实验室 Reflection 的首个模型，并且是开源的！这是一个混合专家（MoE）模型，拥有 501B 参数（每 token 激活 23B），支持文本输入，具有 1M token 的上下文窗口，并以 Apache 2.0 许可证发布。

Beam 专注于编程和智能体用例。它面向那些希望在自己的硬件、基础设施或云上运行前沿规模模型，并希望针对自身用例进行定制的团队。Beam 自带专用的开源 Rust 框架，可发挥该模型的最佳性能。

Beam 具有原生 transformers 实现，以及 vLLM 和 SGLang 等下游库。我们与 Reflection 团队合作，为你提供推理、SFT（监督微调）和 RL（强化学习）配方，以便你根据自己的需求基于该模型进行构建。除了在 transformers、SGLang 和 vLLM 中的首日支持外，本文还展示了如何运行它、如何对它进行后训练，以及我们用它构建了什么。

TL;DR

• 501B 参数的 MoE LLM，每 token 激活 23B。52 层，每个 MoE 层 256 个专家，每 token 路由 8 个。
• 文本输入、文本输出，具有 1M token 的上下文窗口。
• 检查点格式：BF16、FP8、以及 NVFP4
• 推理可在多轮之间保留在上下文中（preserve_thinking），通过专用语法进行工具调用。该模型支持五种推理值："low"、"medium"（默认）、"high"、"xhigh" 和 "max"。
• 分词器中的响应模板。
• 使用 DFlash2 的推测解码草稿模型
• 首日库：transformers、SGLang、vLLM。使用 Miles 进行全参数 RL。
• 附带基于 Rust 的自定义框架。
• Apache 2.0。

使用 Beam 构建

Reflection 将向使用 Beam 的最佳项目发放 10,000 美元 Hub 额度。你只需做出一个东西，并在 Hub 上分享：

• 你可以制作一个在 Spaces 上使用 Beam 模型的演示
• 你可以针对你喜欢的硬件对其进行量化
• 你可以为你关注的问题生成合成数据集
• 你可以用 Beam 或为 Beam 构建一个 RL 环境
• 你可以对 Beam 进行基准测试并分享结果。
• 你可以给我们带来惊喜！

如果你用 Beam 构建了东西，然后在 Hub 上分享，就有机会赢得 10,000 美元。你只需构建 space、model 或 dataset 仓库，并在模型仓库页面上分享。我们会收集所有链接，选出最佳作品，并将额度发送到你的 Hub 账户。

什么是 Beam？

Beam 是一个纯文本模型，专为长上下文（1M 上下文长度）推理和智能体工作而构建。它是一个稀疏 MoE 模型，每个 token 仅由网络的一小部分计算，因此它以小得多的模型的速度运行，同时保持大模型的容量。

注意力

解码器有 52 层，隐藏大小为 5,120。大多数层对前 512 个 token 使用滑动窗口注意力；每第六层以及最后一层关注完整上下文。这样共有 43 个滑动窗口层和 9 个全局层。

注意力块内部（两种层类型）

这两类层对位置的处理方式不同。滑动窗口层使用 RoPE，因为在短窗口内相对位置最为重要。全局层不使用位置编码。取而代之的是，每个查询都会乘以一个随可见 token 数量缓慢增长的缩放系数，(1 + (pos + 1) / 2048) ** 0.1。它起到温度的作用：随着上下文变长，softmax 能保持其精度，而不会变得平坦。实现中将其称为可缩放 softmax 查询缩放。

注意力采用分组查询注意力，具有 48 个查询头和 8 个键值头，并对查询和键使用 RMSNorm。一个从层输入计算得到的可学习 sigmoid 门控，在输出投影之前对每个头的每个通道进行缩放。

混合专家

前 3 层使用稠密 SwiGLU MLP。其余 49 层将其替换为由 256 个专家组成的混合专家块，每个专家都是一个中间大小为 2,560 的 SwiGLU MLP，约 39M 参数。这些专家占模型参数的 98.4%。

路由器遵循 DeepSeek-V3 的分组限制方案。它用 sigmoid 为全部 256 个专家打分，将它们分成 8 组、每组 32 个，保留最好的 4 组（按每组前两个分数之和排序），然后在这些组内选出前 8 个专家。Beam 使用与 DeepSeek-V3 相同的组大小，但没有共享专家。专家输出用归一化后的路由器权重进行组合，并乘以 2.5 进行缩放。

每个 token 只运行 8 个专家，因此模型对每个 token 的计算约使用 23B 参数。全部 256 个专家都保留在内存中，因此部署需要 501B 模型的内存，但运行速度相当于 23B 模型。BF16 检查点采用 safetensors 格式，大小约为 1 TB。NVFP4 检查点将大部分参数以 4 位精度存储，适用于 NVIDIA Blackwell GPU，部分参数保留为 BF16 以保证精度。hub 上还有 FP8 检查点，非常适合 Hopper 和 Ampere 系列芯片。

如果你想自行部署 Beam，请查看下面的 vLLM 或 SGLang 配方。

残差流

残差连接是最具特色的部分。标准 transformer 以权重 1 将每个子层输出加到流中，因此流会随深度增长。

Beam 将输入嵌入计为第 1 步。在第 k 步，它以权重 1/sqrt(k) 加上子层输出，并以权重 sqrt((k-1)/k) 保留现有流。两个权重的平方和为 1，因此从第一层到最后一层，流保持在恒定尺度。经过全部 104 次加法后，每个子层输出和输入嵌入在最终隐藏状态中具有相同的权重。

每个子层在前后也都会进行归一化，最终 logits 通过 ±30 的 tanh softcap，并以 FP32 计算。实现中固定了以 FP32 计算的位置：路由器、SwiGLU 乘积、归一化、RoPE、查询缩放和 softcap。

长上下文

混合注意力在长上下文下效果良好。每层为每个 token 缓存 2 x 8 个 KV 头 x 128 维 = 2,048 个值。如果全部 52 层都保留每个 token，缓存将每个 token 增长 208 KiB。只有 9 个全局层保留整个序列。43 个滑动窗口层各自持有固定的 512 token 窗口并停止增长。因此缓存每个 token 增长 36 KiB，约为朴素速率的六分之一。

这些数字是每个序列的，采用 BF16，使用 transformers 动态缓存。

基准测试结果

以下是 Reflection 团队提供的不同精度级别的基准测试结果。

硬件要求

部署该模型最实用的方式是提供 NVFP4 检查点，它能保留 bf16 检查点的大部分质量。NVFP4 将部分权重以 4 位存储，这样可将 BF16 下的 501B 参数从 1 TB 缩减到约 280 GB。Blackwell GPU 原生支持 NVFP4，但 H200 等早于 Blackwell 的 GPU 则不支持。FP8 检查点适用于早于 Blackwell 的 GPU。

一块 B200 拥有 180 GB 的 HBM3e，因此两块（360 GB）即可容纳 Beam 的权重，但留给激活值和 KV 缓存的空间很小。建议规划四块 B200（720 GB），这样可为长上下文和并发请求留出充足空间。你也可以在完整的 8xB200 节点上部署，或在两块各 288 GB 的 B300 上部署，甚至 8xRTX Pro 6000 也可以。如果你没有 Blackwell 硬件，可使用 Inference Providers（无服务器）来测试 Reflection。

推理支持

Beam 在 transformers、SGLang 和 vLLM 中均提供首日支持。

Transformers

安装最新版本的 transformers。

pip install -U "transformers>=5.20.1"

运行 Beam 最简单的方式是使用 text-generation 管道：

from transformers import pipeline

pipe = pipeline(
    "text-generation", model="reflection/Beam-1.0-501B-A23B", device_map="auto"
)

messages = [
    {"role": "user", "content": "Write a limerick about Python exceptions."}
]
output = pipe(messages, max_new_tokens=2000)
output[0]["generated_text"][-1]

该管道返回整个对话。最后一条消息是 Beam 的回复，已由响应模板解析。

再往下一层，使用 AutoModelForCausalLM 和 AutoTokenizer。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "reflection/Beam-1.0-501B-A23B"
tokenizer = AutoTokenizer.from_pretrained(model_id)

model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype="auto", device_map="auto"
)

对话

messages = [
    {"role": "system", "content": "You should only answer with a number."},
    {"role": "user", "content": "What is 17 * 23?"},
]

inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
    reasoning_effort="medium" # by default
).to(model.device)

input_len = inputs["input_ids"].shape[-1]

outputs = model.generate(**inputs, max_new_tokens=2000)

tokenizer.parse_response(
    outputs[0][input_len:], prefix=inputs["input_ids"][0]
)

Beam 的分词器带有一个响应模板。parse_response 会读取它，并将原始输出转换为消息字典，其中推理、答案和任何工具调用分别位于不同字段中。这避免了通常用于从答案和工具调用中拆分推理的正则表达式。而且这些规则随分词器一同提供，因此解析出的结构与 Beam 训练时生成的结构一致。对话模板可以预先写入助手回合的一部分内容，解析器需要看到这部分内容。

工具调用

完整的工具调用示例

def get_weather(city: str, unit: str = "celsius"):
    """
    Get the current weather for a city.

    Args:
        city: The city to look up.
        unit: Temperature unit, "celsius" or "fahrenheit".
    """
    ...

tools = [get_weather]
messages = [
    {"role": "user", "content": "I land in Paris tonight. Do I need a coat?"}
]

inputs = tokenizer.apply_chat_template(
    messages,
    tools=tools,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

input_len = inputs["input_ids"].shape[-1]
outputs = model.generate(**inputs, max_new_tokens=1000)

message = tokenizer.parse_response(
    outputs[0][input_len:], prefix=inputs["input_ids"][0], tools=tools
)
message.get("tool_calls")

同时将 tools 传给 parse_response。Beam 会以内联方式、用其自有的 XML 风格语法写入工具调用参数，因此单独的 7 可能是数字或字符串。借助工具 schema，解析器会将每个参数转换为其声明的类型。

多 GPU 与多节点

Beam 的配置定义了一个专家并行方案。专家并行将每个专家放在一个设备上。注意力、稠密层、嵌入和 LM head 在每个设备上复制。这部分是 8B 参数，在 BF16 下为 16 GB。使用 DistributedConfig 加载模型：

import os

from transformers import AutoModelForCausalLM
from transformers.distributed import DistributedConfig

model = AutoModelForCausalLM.from_pretrained(
    "reflection/Beam-1.0-501B-A23B",
    distributed_config=DistributedConfig(
        tp_size=int(os.environ["WORLD_SIZE"]), ep_size=int(os.environ["WORLD_SIZE"]), tp_plan={}
    ),
)

在 16 块 H200 GPU 上使用 torchrun 启动脚本。这样每块 GPU 承载 78 GB 权重。若使用 8 块 GPU，每块将承载 139 GB，这在 141 GB 的 H200 上已无剩余空间。设备数量必须能整除专家数量 256。

vLLM

Beam 在 vLLM 中提供首日支持。下面的命令通过跨 16 块 GPU（两个 8x H200 节点）的张量并行来提供 BF16 检查点，并暴露一个兼容 OpenAI 的 API：

vllm serve reflection/Beam-1.0-501B-A23B --tensor-parallel-size 16 --served-model-name beam

为了加快生成速度，可加入 DFlash2 投机解码。一个小型草稿模型最多可提前提出 15 个 token，Beam 在一次前向传播中全部校验，因此每一步都能接受多个 token。代价是草稿模型会多占一点内存：

vllm serve reflection/Beam-1.0-501B-A23B \
  --tensor-parallel-size 16 \
  --speculative-config '{ "method": "dflash", "model": "reflection/dflash2-drafter-preview", "num_speculative_tokens": 15 }'

两条命令都会启动一个兼容 OpenAI 的服务器，因此你可以把任何 OpenAI 客户端指向 http://localhost:8000/v1。更多服务配置请参见为 vLLM 提议的 Beam 配方。

SGLang

Beam 在 SGLang 中也实现了首日支持。我们建议配合 DFlash2 投机解码来提供服务，下面两条命令都会开启它。在 Blackwell 上，NVFP4 检查点可装入 4 块 B300：

python -m sglang.launch_server \
--model-path reflection/Beam-1.0-501B-A23B-NVFP4 \
--served-model-name beam \
--tp 4 \
--attention-backend trtllm_mha \
--page-size 64 \
--context-length 1048576 \
--mem-fraction-static 0.85 \
--enable-unified-memory \
--speculative-algorithm DFLASH \
--speculative-draft-model-path reflection/Beam-1.0-501B-A23B-DFlash2 \
--speculative-dflash-block-size 8 \
--tool-call-parser beam --reasoning-parser beam \
--host 0.0.0.0 --port 30000

在 Hopper GPU 上，改用 8 块 H200 上的 FP8 检查点。只需改动三个标志：检查点、张量并行大小（8 而非 4）以及注意力后端（fa3 而非需要 Blackwell 的 trtllm_mha）：

python -m sglang.launch_server \
--model-path reflection/Beam-1.0-501B-A23B-FP8 \
--served-model-name beam \
--tp 8 \
--attention-backend fa3 \
--page-size 64 \
--context-length 1048576 \
--mem-fraction-static 0.85 \
--enable-unified-memory \
--speculative-algorithm DFLASH \
--speculative-draft-model-path reflection/Beam-1.0-501B-A23B-DFlash2 \
--speculative-dflash-block-size 8 \
--tool-call-parser beam --reasoning-parser beam \
--host 0.0.0.0 --port 30000

推理提供商

Beam 已在 Hugging Face Inference Providers 上线，由 Baseten、Fireworks 和 Together 提供支持，后续还会有更多。

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://router.huggingface.co/v1",
    api_key=os.environ["HF_TOKEN"],
)

completion = client.chat.completions.create(
    model="reflection/Beam-1.0-501B-A23B:auto",
    messages=[{"role": "user", "content": "What is the capital of France?"}],
)

print(completion.choices[0].message)

推理端点

我们已准备好 Beam 配方，你可以在 Inference Endpoints 中从目录一键部署 FP8 或 NVFP4，或使用 hf CLI 安装：

hf endpoints catalog deploy --repo reflection/Beam-1.0-501B-A23B --name beam

我们测试了什么

我们分享一些 Reflection Beam-501B-A23B 在五项任务上的 vibe evals，通过 Reflection 平台分别在低推理强度和高推理强度下各运行一次。这些是 vibe evals，不是基准测试。如果你打算使用 Beam，这是很好的试驾方式，可以看看它在具体用例上的表现，尤其是它在哪些地方胜出、哪些地方失利。

下面是我们运行的提示词概览以及来自 hub 的输出轨迹。完整的输入、输出、API 用量、任务夹具、评分器和对话轨迹都在这个公开的 Hugging Face bucket 中。

* 低推理的长上下文回答把所有代码行为和全部六个源码引用都答对了。但回答不符合解析器格式，因此部分原因是提示词歧义。

† 低推理返回了正确答案，但省略了要求的论证。高推理给出了正确的单位根证明，并经过独立审查。

别只听我们说。深入bucket，针对你的用例或项目改写，把 Beam 推到极限。

后训练 Beam

你可以针对自己的用例微调 Beam。这里我们分享一些 TRL 和 Miles 中的示例，帮助你开始监督微调和强化学习。

使用 TRL 进行 SFT

将 Beam 适配到你自己的数据，最快的方法是使用 TRL 的 SFTTrainer 进行监督微调。为了控制内存占用，我们使用 PEFT 训练 LoRA 适配器，而不是更新全部 501B 参数： 我们使用 TRL 的 SFTTrainer 将 Beam 适配到一个简单的目标：让它的推理保持用户所要求的语言。我们在 Multilingual-Thinking 上用 LoRA 进行微调，只训练一小部分适配器权重，同时保持基础模型冻结。

该配置结合了加载时的模型分片、专家并行、FlashAttention 4 和序列打包。LoRA SFT 可在配备 8 块 B300 GPU 的单节点上运行，达到约每秒 19,000 个 token。对应的 H100 配置使用四个节点。

在 Multilingual-Thinking 上训练一个 epoch 后，Beam 在 16 个留出提示中的 16 个上都用所要求的语言进行推理，而基础模型为 16 个中的 3 个。这一小型评估衡量的是语言遵循度，而不是推理本身的正确性。

在 open-r1/Mixture-of-Thought 的推理子集上进行的一次单独的 500 步运行中的训练损失（左）和平均 token 准确率（右），使用一个 8-GPU B300 节点。这些训练指标来自官方 TRL 示例 PR。

使用 Miles 进行 GRPO

Reflection 和 RadixArk 构建了一套配方，在 Miles 中以 BF16 使用 GRPO 训练模型。你可以更新完整模型，或使用 LoRA 训练适配器，同时保持基础权重冻结。Megatron 负责训练，SGLang 生成 rollout，Miles 在每次更新后将新权重发布到 rollout 引擎。我们审阅了该配方。

该配方在 DAPO-Math-17K 上运行 GRPO，并在 AIME25 上评估。构建镜像、下载数据，并将作业提交到由十二个 8x H200 节点组成的 Ray 集群：

docker build -f docker/Dockerfile.beam -t miles-beam .

python scripts/run_beam.py prepare \
  --model-id reflection/Beam-1.0-501B-A23B \
  --model-dir /root/models/Beam \
  --data-dir /data/datasets

export MASTER_ADDR=10.0.0.1
export RAY_ADDRESS=http://${MASTER_ADDR}:8265

python scripts/run_beam.py execute \
  --model-dir /root/models/Beam \
  --data-dir /data/datasets \
  --output-dir /root/shared_data/beam-run \
  --num-rollout 100

一次 rollout 中发生的过程：

采样：32 个提示被传入模型，每个提示生成 8 个响应。两个 SGLang 引擎各在 16 块 GPU 上提供 rollout 服务。

评分：将 boxed 答案与标签进行核对，对接近长度限制的响应施加软惩罚。

更新：对所有 256 个样本执行一次优化器步骤。使用截断重要性采样的组相对优势，无 KL 或熵惩罚。

并行训练：张量并行 8、专家并行 8、数据并行 8，并启用序列并行和完全重计算。

优化器：Adam，恒定 1e-6。梯度使用 BF16，主权重使用 FP32，动量使用 BF16。优化器状态通过节点本地 NVMe 流式传输，因此每个训练节点需要 2 TB 暂存空间。

评估：每五次 rollout 在 AIME25 上评估，每个问题八个样本。每二十次保存一个 checkpoint。

下一次 rollout 在当前 rollout 训练时生成，因此响应会落后一次更新。添加 --resume 以从最后一个 checkpoint 继续。execute-colocate 在八个节点上运行相同配方，每块 GPU 轮流进行训练和服务。

使用 LoRA 训练

你还可以在四个 8× H200 节点上使用 LoRA 运行 GRPO：16 个 GPU 用于训练，16 个用于 rollout。该方案在 Beam 的注意力层、稠密 MLP 层和专家层上训练 rank-16 适配器，同时保持基础权重冻结。只有适配器权重会与 SGLang 同步，优化器状态保留在 GPU 内存中，从而无需将优化器卸载到 NVMe。

python scripts/run_beam_lora.py execute \
  --model-dir /root/models/Beam \
  --data-dir /data/datasets \
  --output-dir /root/shared_data/beam-run \
  --num-rollout 100

用 Beam 构建：演示

如果你用 Beam 构建了作品，就把它分享到 Hub 上，有机会赢得 10,000 美元。你只需构建一个 space、model 或 dataset 仓库，并将其分享到模型仓库页面。为了给你灵感，以下是我们构建的一些作品。

嘿 Beam，构建一个原生本地 MacOS 应用！

在 Hugging Face，我们喜欢能在其硬件上原生运行的开放本地模型，但在 Mac 上构建原生应用可能很难！让我们看看 Beam 能否帮上忙。

我们让 Beam 构建一个原生 MacOS 应用，将语音转换为文本，并方便地将其放到你的光标处。我们希望使用 MLX 充分发挥 Mac Metal 的性能，并使用 Parakeet 模型来实现出色的语音转文本。

Build BeamSpeak, a native macOS menu bar dictation app with a compact recording pill and no main window or account.

Use ⌘⇧Space to start and stop microphone recording, showing elapsed time, microphone level, and transcription status. Run speech recognition entirely locally using a Hugging Face model, preferably Parakeet v3 through MLX, and keep the model loaded between recordings. Paste the transcript into the original app if it remains focused and Accessibility permission is granted; otherwise copy it to the clipboard, preserving newer clipboard changes and never pressing Enter. Handle permissions, cancellation, silence, errors, a two-minute recording limit, and temporary audio cleanup. Deliver source code, a runnable BeamSpeak.app, setup instructions, and verification of offline transcription, the physical shortcut, microphone capture, and text delivery.

我们使用 Beam 配合 Pi 编码工具构建了最初的 macOS 菜单栏原生应用，通过 MLX 运行 Parakeet。保存的运行记录包含后续提示；最终源代码还包含后来的 Codex 修复。上面的提示是构建需求的精简版本。

你可以在此 trace 中查看 Beam 如何在 pi 中构建它的 agent trace。如果你想试用该演示，请下载源代码或阅读设置说明。

嘿 Beam，你如何在多个 agent 上扩展？

我们想看看 Beam 能否通过将编程任务拆分给多个 agent 来更快取得进展。我们将 Beam 与开源 Pi 编码 agent 配对，并比较了三种设置：1. 一个 agent 独自工作，2. 五个持久对等 agent 通过共享 Git 仓库协作，3. 一个主 agent 将工作委派给异步子 agent。该工具在 Hugging Face jobs 上运行，并通过 Reflection 的平台 API 进行推理。

对于任务，我们使用了 ProgramBench：agent 必须根据编译后的可执行文件和文档重建程序，而不能看到其源代码或评估器的测试。每种设置都有相同的 8M API token 上限和每个任务两小时的求解器限制，由其 agent 共享。我们保存了实现快照，并根据来自ProgramBench-Tests 数据集的固定隐藏测试套件对其进行了评估。

我们的分数与延迟图显示了通过测试的平均比例。时间轴使用模型 token 的固定参考速率加上测量的工具时间，而不是实际经过的墙钟时间。我们最初运行了五个任务。当前图表显示了 jq、xsv、FIGlet 和 hexyl 的事后子集；ripgrep 在三种设置中均被排除，因为对其保存的产物进行评分太慢。已发布的结果保留了所有 15 个原始 episode。

你可以在Trackio 仪表板中检查运行情况，探索已发布的结果数据，并复用研究工具。

嘿 Beam，为我的代码库微调一个决策模型！

决策模型目前非常流行，因为它们速度极快，并且在许多用例中非常实用。我们从 Beam 开始，然后在 Beam 配额用完后继续在 Pi 中使用 GLM-5.3，以训练和评估一个用于开发者事件分诊的自定义决策模型。

我们想看看编码智能体能否将事件分诊策略转化为一个小型、快速的决策模型。任务是读取开发者事件，并选择负责团队、其严重程度，以及是否应立即通知某人。使用 Unsloth，我们对 Qwen3.5-0.8B 进行了微调，以直接对这些选择进行评分。

首先，该工作流构建了一个合成数据集，包含 2.3k 个事件，按事件聚类划分为训练、校准和测试集。我们在 Science Slurm 集群上的一块 H100 80GB 上，使用 4 位骨干网络，训练了 LoRA 适配器和决策头三个 epoch。

作为基线，我们将完整的分诊策略和工单输入给未适配的模型，不提供示例，并要求它以 JSON 格式生成三个决策。在相同的 320 个合成测试工单上，微调后的决策模型在 76.25% 的情况下三个答案全部正确，而提示零样本仅为 4.69%。平均工单延迟从 1,218.06 ms 降至 102.58 ms，加速 11.9 倍。

如果你想亲自尝试这个实验，请查看 artifact bucket，其中包含数据、代码、检查点和结果。

总结

Beam 是一个 501B 的开放模型，你可以在自己的硬件上运行并修改它。从 BF16 检查点开始，或尝试其中一种量化版本 FP8、 NVFP4。如果你用 Beam 构建了东西，请在 讨论区 分享。